Wie wählt man ein Tool für Bedarfsprognosen aus? Eine Checkliste für Modemarken
Software für Bedarfsprognosen verspricht weniger Bestand und weniger Fehlbestände, doch die Ergebnisse hängen davon ab, wie gut sie zu den Produktzyklen der Mode und zu Ihren Daten passt. Eine neutrale Checkliste, um Tools vor der Vertragsunterzeichnung zu bewerten.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Ein Prognosetool für die Mode muss neue Produkte ohne Historie, kurze Lebenszyklen, Grössenverteilungen und durch Fehlbestände gedeckelte Verkäufe bewältigen, nicht nur durchlaufende Nachschubartikel.
- Am verlässlichsten lassen sich Tools mit einem Backtest auf eigenen vergangenen Saisons vergleichen, gemessen auf der Ebene, auf der Einkaufs-, Allokations- und Nachorderentscheide fallen.
- Die Genauigkeit sollte mit Kennzahlen ausgewiesen werden, die mit Nullverkäufen umgehen können, etwa WAPE oder MASE, ergänzt um den Prognose-Bias, und nicht allein mit MAPE.
- Die Datenreife, einschliesslich konsistenter Produktattribute und einer um Fehlbestände bereinigten Verkaufshistorie, begrenzt die Ergebnisse oft stärker als die Wahl des Algorithmus.
- Eine Prognose schafft nur dann Wert, wenn sie eine Entscheidung verändert. Die Integration in Planungs-, Allokations- und Bestellprozesse gehört deshalb zu den Auswahlkriterien.
Wählen Sie ein Tool für Bedarfsprognosen aus, indem Sie es auf Ihren eigenen vergangenen Saisons und auf der Ebene testen, auf der Sie tatsächlich entscheiden, und indem Sie prüfen, wie es mit modespezifischen Problemen umgeht: neue Produkte, kurze Lebenszyklen, Grössen und Fehlbestände. Datenreife, Transparenz, Integration und Gesamtkosten zählen ebenso viel wie die beworbene Genauigkeit. Diese Checkliste hilft, die Bewertung zu strukturieren, ohne einen Anbieter zu bevorzugen.
Warum ist die Auswahl eines Prognosetools in der Mode anders?
Viele Prognosetools wurden für Lebensmittel oder Konsumgüter entwickelt, wo Produkte über Jahre kontinuierlich verkauft werden. Die Mode ist anders: Ein grosser Teil des Sortiments ist jede Saison neu, Produkte leben Wochen oder Monate, die Nachfrage verteilt sich auf Grössen und Farben, und die Verkäufe sind oft durch den eingekauften Bestand begrenzt. Ein Tool, das beim Nachschub von Basics glänzt, kann mit einem saisonalen Kleid Mühe haben. Der erste Schritt ist zu klären, welche dieser Probleme für Ihr Geschäft am wichtigsten sind.
Welche Prognose-Anwendungsfälle sollte das Tool abdecken?
| Anwendungsfall | Unterstützte Entscheidung | Was zu testen ist |
|---|---|---|
| Vorsaisonprognose für neue Produkte | Einkaufsmenge pro Style-Farbe | Genauigkeit bei Produkten, die in den Trainingsdaten fehlen |
| Prognose der Grössenverteilung | Grössenaufteilung pro Filiale oder Kanal | Genauigkeit nach Grösse, einschliesslich Randgrössen |
| Neuprognose während der Saison | Nachorder, Umverteilung, Abschrift | Tempo der Aktualisierung nach ersten Verkäufen |
| Nachschub durchlaufender Linien | Filial- und Lagerbestellungen | Genauigkeit über die Wiederbeschaffungszeit |
| Allokation | Erst- und Folgebestand pro Filiale | Genauigkeit auf Filial- oder Clusterebene pro Woche |
Wie sollte man die Prognosegenauigkeit vor dem Kauf testen?
Bitten Sie jeden Anbieter auf der Shortlist, eine oder zwei vergangene Saisons zu prognostizieren, die sein Modell nicht kennt, und dabei nur die Daten zu verwenden, die damals verfügbar gewesen wären. Vergleichen Sie die Ergebnisse mit Ihrer bisherigen Methode und mit einem einfachen naiven Benchmark. Hyndman und Koehler empfehlen in ihrem vielzitierten Aufsatz zu Genauigkeitsmassen skalierte Fehler wie MASE, bei denen ein Wert unter eins bedeutet, dass eine Prognose eine naive Methode schlägt, unter anderem weil prozentuale Fehler wie MAPE bei tatsächlichen Nullverkäufen nicht definiert sind.
Stellen Sie sicher, dass jeder Anbieter auf dieselbe Weise gemessen wird: dieselben Produkte, derselbe Horizont, derselbe Detaillierungsgrad, dieselbe Behandlung von Fehlbeständen und Promotionen. Die Genauigkeit auf Ebene Marke und Monat sagt wenig über einen Grössenlauf in einer einzelnen Filiale aus.
Fragen Sie auch nach dem Bias, also der durchschnittlichen Tendenz, zu hoch oder zu tief zu prognostizieren, aufgeschlüsselt nach Kategorie sowie nach neuen und fortlaufenden Produkten. Ein Tool mit gutem Durchschnittsfehler, das konstant zu hoch prognostiziert, baut trotzdem Überbestände auf. Prüfen Sie zudem, ob die Prognosen des Anbieters automatisch erstellt oder von dessen Data Scientists für den Test optimiert wurden, denn nur Ersteres entspricht dem, was Ihre Planerinnen und Planer im Alltag erhalten.
Welche Fragen gehören auf die Checkliste?
- Neue Produkte: Wie prognostiziert das Tool Artikel ohne Historie? Welche Attribute, Bilder oder Vergleichsartikel nutzt es?
- Zensierte Nachfrage: Bereinigt es historische Verkäufe um Fehlbestände und eingeschränkte Distribution?
- Granularität: Kann es auf Ebene Style, Farbe, Grösse, Filiale und Woche prognostizieren und diese Ebenen abstimmen?
- Externe Signale: Kann es Wetter, Events, Suchdaten oder Marketingkalender nutzen, und zeigt es deren gemessene Wirkung?
- Erklärbarkeit: Können Planerinnen und Planer sehen, warum sich eine Prognose verändert hat und welche Treiber entscheidend waren?
- Manuelle Eingriffe: Können Planerinnen und Planer Prognosen anpassen, und misst das Tool, ob diese Eingriffe geholfen haben?
- Unsicherheit: Liefert es Bandbreiten oder Wahrscheinlichkeiten und nicht nur eine einzelne Zahl?
- Integration: Wie gelangt die Prognose in Einkauf, Allokation, ERP und Bestellsysteme?
- Dateneigentum: Wem gehören trainierte Modelle und Ergebnisse, und lassen sich die Daten bei einem Wechsel exportieren?
- Kosten: Wie hoch sind Lizenz-, Implementierungs-, Datenaufbereitungs- und laufende Supportkosten über drei Jahre?
Wie wichtig ist die Datenreife?
Wichtiger, als die meisten Auswahlprozesse annehmen. Ein Modell, das neue Produkte früheren zuordnet, braucht Attribute, die über die Saisons hinweg konsistent verschlagwortet wurden. Ein Modell, das die Nachfrage lernt, braucht um Fehlbestände bereinigte Verkäufe: Forschende, die mit dem Onlinehändler Rue La La zusammenarbeiteten, schätzten laut Working Knowledge der Harvard Business School zunächst mit maschinellem Lernen die entgangenen Verkäufe ausverkaufter Artikel, bevor sie neue Produkte prognostizierten. Prüfen Sie vor einem Pilotprojekt die Vollständigkeit der Attribute, die Bestandshistorie, Preis- und Promotionsdaten sowie die Filialstammdaten. Lücken, die hier zutage treten, begrenzen jedes Tool.
Wie beurteilt man den Return on Investment?
Prognosegenauigkeit ist ein Mittel, nicht das Ziel. Der Business Case ergibt sich aus Entscheidungen, die sich verändern: weniger Restbestände am Saisonende, weniger Fehlbestände bei Bestsellern, bessere Allokation. Veröffentlichte Belege deuten darauf hin, dass die Gewinne real, aber inkrementell sind. Im 2015 in Operations Research veröffentlichten Feldexperiment von Zara steigerte ein System, das aktualisierte Prognosen mit der Warenverteilung verknüpfte, den durchschnittlichen Saisonumsatz um rund 2 Prozent und senkte die unverkauften Einheiten am Saisonende um rund 4 Prozent. Forschung zu neuen Modeprodukten auf Basis des VISUELLE-Datensatzes ergab, dass Google-Trends-Signale den gewichteten Fehler um 1,5 Prozent verbesserten. Seien Sie skeptisch gegenüber Anbieterversprechen, die eine Grössenordnung höher liegen, ohne dass ein vergleichbarer Test dahintersteht.
Übersetzen Sie die gemessene Fehlerreduktion gemeinsam mit Ihrer Finanzabteilung in Bestands- und Margengrössen, gestützt auf Ihre eigenen Kosten für Überbestände und entgangene Verkäufe.
Wie sollte der Auswahlprozess ablaufen?
- Definieren Sie die vorrangigen Anwendungsfälle und Entscheidungsebenen, bevor Sie Anbieter kontaktieren.
- Prüfen und bereiten Sie die Daten auf und vereinbaren Sie einen gemeinsamen Testdatensatz.
- Nehmen Sie Tools in die Shortlist auf, die modespezifische Fähigkeiten nachweisen können, besonders für neue Produkte.
- Führen Sie Backtests auf denselben Saisons und mit denselben Kennzahlen durch, einschliesslich WAPE oder MASE und Bias.
- Testen Sie den besten Kandidaten eine ganze Saison lang live in einer Kategorie, parallel zur bisherigen Methode.
- Entscheiden Sie auf Basis der gemessenen Entscheidungsergebnisse, des Integrationsaufwands und der Kosten über drei Jahre.
Vermeiden Sie schliesslich die Fehler, die Auswahlprojekte am häufigsten untergraben:
- Anbieterdemos mit deren Beispieldaten statt mit der eigenen Historie vergleichen.
- Eine einzelne beworbene Genauigkeitszahl akzeptieren, ohne Ebene, Horizont oder Kennzahl zu kennen.
- Den Aufwand für Datenaufbereitung und Prozessveränderung unterschätzen.
- Ein Tool auswählen, bevor feststeht, wer die Prognose verantwortet und danach handelt.
Häufige Fragen
Worauf sollte ich bei Software für Bedarfsprognosen in der Mode achten?
Achten Sie auf einen starken Umgang mit neuen Produkten ohne Historie, Prognosen auf Ebene Style, Farbe, Grösse und Filiale, die Bereinigung um Fehlbestände, Unsicherheitsbandbreiten und transparente Treiber. Bestehen Sie vor allem auf einem Backtest auf Ihren eigenen vergangenen Saisons im Vergleich zu Ihrer bisherigen Methode.
Wie vergleicht man Prognosetools fair?
Geben Sie jedem Anbieter denselben historischen Datensatz, lassen Sie ihn Saisons prognostizieren, die sein Modell nicht kennt, und messen Sie die Ergebnisse mit denselben Kennzahlen auf derselben Entscheidungsebene. Beziehen Sie Ihre bisherige Methode und einen naiven Benchmark in den Vergleich ein.
Wie lange dauert die Einführung eines Prognosetools?
Die Dauer hängt von Datenqualität, Integrationsbedarf und Umfang ab. Datenaufbereitung und Prozessveränderung dauern oft länger als die technische Installation. Ein Pilotprojekt in einer Kategorie über eine ganze Saison ist deshalb ein realistischer Weg, die Ergebnisse vor der Skalierung zu validieren.
Welchen ROI kann eine Modemarke von KI-Prognosen erwarten?
Veröffentlichte Feldexperimente zeigen eher inkrementelle als dramatische Gewinne, etwa rund 2 Prozent mehr Saisonumsatz und rund 4 Prozent weniger unverkaufte Einheiten im Allokationsexperiment von Zara aus dem Jahr 2012. Der erwartete ROI sollte anhand der eigenen Backtest-Ergebnisse und Kosten geschätzt werden.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
QUELLEN
- Rob J. Hyndman: Another look at measures of forecast accuracy (Hyndman and Koehler)
- Hyndman and Athanasopoulos, Forecasting: Principles and Practice (3rd ed.): Evaluating point forecast accuracy
- IDEAS/RePEc: Initial Shipment Decisions for New Products at Zara (Gallien et al., Operations Research 2015)
- Harvard Business School Working Knowledge: How do you predict demand and set prices for products never sold before?
- arXiv: Well Googled is Half Done, multimodal forecasting of new fashion product sales with image-based Google Trends (Skenderi et al.)
